Statistical learning and prediction of diseases associated with the occurrence of death in the emergency department: An observational study on administrative data from Saint Joseph Hospital in Kinshasa-DRC

تخيل أنك تدخل محطة قطار صاخبة وفوضوية. الناس يهرعون من جميع الاتجاهات، بعضهم يعاني من التواء في الكاحل، وآخرون يمسكون صدورهم، والبعض الآخر يبدو تائهاً تماماً. وظيفة مدير المحطة هي تحديد من يحتاج إلى مساعدة فورية ومن يمكنه الانتظار، كل ذلك بينما يحاول التنبؤ بمن قد لا يخرج من المحطة على قيد الحياة. هذا هو بالضبط ما يحدث في قسم الطوارئ (ED) في المستشفى. إنه الباب الأمامي للرعاية الصحية، مكان تتعلق فيه الحياة والموت غالباً بميزان دقيق.

لفترة طويلة، حاول الأطباء تخمين أي المرضى هم الأكثر عرضة للخطر. يستخدمون أدوات مثل قوائم التحقق أو خبرتهم الخاصة، تماماً مثل خبير الأرصاد الجوية الذي ينظر إلى السحب للتنبؤ بعاصفة. ولكن أحياناً، تكون السحب مخادعة، وتضرب العاصفة عندما لا يتوقعها أحد. وهنا يأتي دور "التعلم الإحصائي". فكر في الأمر كأنك تمنح خبير الأرصاد الجوية عقلاً حاسوبياً فائق الذكاء. بدلاً من مجرد النظر إلى بضع سحب، ينظر هذا العقل الحاسوبي إلى آلاف العواصف الماضية، ويتعلم الأنماط، ويكتشف أي تركيبات محددة من الظروف الجوية تؤدي عادةً إلى كارثة. في عالم الطب، يعني هذا تغذية الحاسوب ببيانات عن المرضى السابقين — ماذا كان مرضهم، كم كان عمرهم، وماذا حدث لهم — لمعرفة ما إذا كان بإمكان الحاسوب رصد الأنماط الخفية التي تؤدي إلى الوفاة، وهي الأنماط التي قد يغفل عنها البشر.

---

التجربة الكبرى في مستشفى سانت جوزيف

في جمهورية الكونغو الديمقراطية، وفي مكان يُدعى مستشفى سانت جوزيف في كينشاسا، قرر فريق من الباحثين السماح لهذا "العقل الحاسوبي فائق الذكاء" بإلقاء نظرة على غرفة الطوارئ لديهم. أرادوا معرفة: من بين جميع الأمراض المختلفة التي يجلبها الناس، أي منها يمثل أكبر علامات الخطر للوفاة؟

لم يكتفوا بالتخمين؛ بل عادوا بالزمن إلى الوراء. بحثوا في السجلات الورقية لـ 5,172 مريضاً دخلوا قسم الطوارئ بين 1 يناير 2018 و31 ديسمبر 2019. كان الأمر يشبه النظر في ألبوم صور ضخم يضم أكثر من 5,000 قصة. سجلوا عمر المريض، وجنسه، وعدد المشكلات التي يعاني منها، والأهم من ذلك، ما إذا كان قد نجا أو توفي. في هذه المجموعة، لم ينجُ حوالي 7.5% من الأشخاص من زيارتهم.

تعليم الحاسوب الرؤية

واجه الباحثون مشكلة: لقد كتب الأطباء أكثر من ألف طريقة مختلفة لوصف الأمراض! فقد يكتب أحد الأطباء "ألم شديد في البطن"، بينما يكتب آخر "بطن جراحية". لجعل هذا الأمر منطقياً، عمل الفريق كأمين مكتبة ينظم رفوفاً فوضوية. قاموا بتجميع كل تلك الأوصاف الآلاف الفوضوية في 19 فئة مرتبة، مثل "السرطانات"، أو "الملاريا"، أو "الصدمة"، أو "إصابات الدماغ".

بعد ذلك، قسموا بياناتهم إلى كومتين. أعطوا 70% من القصص للحاسوب ليدرسها (مجموعة "التدريب") واحتفظوا بالـ 30% الأخرى مخفية (مجموعة "الاختبار"). طلبوا من الحاسوب تجربة ست طرق مختلفة للتعلم، تماماً مثل تجربة ست طرق دراسية مختلفة لمعرفة أي منها سيحصل على أفضل الدرجات.

النتائج: من فاز بالسباق؟

جرب الحاسوب ستة "أساليب تعلم" مختلفة:

1. ElasticNet (طريقة توازن بين الأدلة المختلفة)
2. Logistic Regression (طريقة رياضية كلاسيكية)
3. الشبكات العصبية - Neural Networks (تحاكي الدماغ البشري)
4. xGBoost (طريقة تعزيز قوية)
5. أشجار القرار - Decision Trees (اتخاذ خيارات نعم/لا مثل المخطط الانسيابي)
6. الغابة العشوائية - Random Forest (مجموعة كاملة من أشجار القرار تعمل معاً)

عندما اختبروا هذه الطرق على الـ 30% المخفية من المرضى، كانت النتائج واضحة. أدت أربعة من النماذج عملاً جيداً، لكن اثنين منها تعثرا بشدة. كانت نماذج أشجار القرار (Decision Trees) و الغابة العشوائية (Random Forest) مثل الطلاب الذين نسوا المذاكرة؛ فقد كان أداؤهما سيئاً للغاية لدرجة أنه لم يكن أفضل بكثير من رمي عملة معدنية.

أما الفائزون فكانوا ElasticNet و Logistic Regression و الشبكات العصبية و xGBoost. ومن بينهم، كان ElasticNet هو البطل، حيث سجل أعلى درجة "دقة" (تسمى تقنياً AUC قدره 0.736). تشير هذه النتيجة إلى أن النموذج جيد جداً في التمييز بين المرضى الذين سينجون وأولئك الذين لن ينجوا، رغم أنه ليس مثالياً.

أهم ست علامات للخطر

إذاً، ماذا تعلم هذا العقل الحاسوبي الفائز؟ لقد حدد الأنواع الستة المحددة من الأمراض التي كانت مرتبطة بقوة بالوفاة في ذلك المستشفى. إذا كنت طبيباً في مستشفى سانت جوزيف، فهذه هي الحالات الست التي يجب أن تجعلك تضغط على زر "الإنذار العالي":

1. حالات الصدمة (Shock states): عندما تنهار أنظمة الجسم (مثل محرك سيارة يسخن بشكل مفرط ويتوقف عن العمل).
2. الإنتان (Sepsis): عدوى شديدة منتشرة في جميع أنحاء الجسم.
3. السل أو أمراض الرئة: مشاكل في التنفس والرئتين.
4. الغيبوبة (Coma): حالة عميقة من فقدان الوعي.
5. التهاب الدماغ والسحايا (Meningoencephalitis): التهاب الدماغ والأغشية المحيطة به.
6. السرطان: الأورام والأمراض المرتبطة بها.

ومن المثير للاهتمام أن الحاسوب وجد أيضاً أن الملاريا، وهي شائعة جداً في ذلك الجزء من العالم، كانت سابع أهم مؤشر تنبؤي، رغم أن الطرق الرياضية التقليدية لم تكن تعتبرها مهمة إلى هذا الحد. كما لاحظ أيضاً أن "الإصابات الأخرى" (مثل حوادث السيارات والسقوط) كانت مهمة، ويرجع ذلك على الأرجى إلى وقوع المستشفى بجوار طريق مزدحم يؤدي إلى المطار.

ماذا يعني هذا (وما لا يعني)

يؤكد الباحثون بحذر أن هذا ليس عصا سحرية تحل كل شيء. فهم يعترفون بأن دراستهم لها حدود. لقد نظروا فقط في مستشفى واحد، لذا لا يمكننا التأكد بنسبة 100% من أن هذه القواعد ذاتها تنطبق على كل مستشفى في العالم. أيضاً، ولأنهم استخدموا سجلات ورقية قديمة، فقد يكون تم تدوين بعض المعلومات بشكل مختلف قليلاً من قبل أطباء مختلفين، مما قد يكون قد أربك الحاسوب قليلاً. كما واجه الحاسوب صعوبة في التنبؤ بالحالات النادرة التي يموت فيها الناس، حيث كان يميل غالباً لتوقع "النجاة" لمجرد أن يكون في الجانب الآمن، وهي مشكلة شائعة عندما تكون الوفاة حدثاً نادراً.

ومع ذلك، تشير الدراسة إلى أن استخدام أدوات التعلم الإحصائي هذه يمكن أن يساعد الأطباء ومديري المستشفيات في اتخاذ قرارات أفضل. فمن خلال معرفة أن الصدمة والإنتان ومشاكل الرئة هي كبار القتلة، يمكن للمستشفى تركيز موارده المحدودة على مراقبة هؤلاء المرضى عن كثب. الأمر يشبه امتلاك نظام إنذار ذكي يخبرك بالضبط أي الأبواب يجب إغلاقها أولاً عندما تقترب العاصفة. ويأمل المؤلفون في المستقبل أن تؤكد المزيد من الدراسات هذه النتائج، مما يساعد الأطباء في الأماكن ذات الموارد المحدودة على إنقاذ المزيد من الأرواح.